一种托辊故障声学信号特征提取及定位方法

本发明涉及一种托辊故障分析技术，尤其涉及一种托辊故障声学信号特征提取及定位方法。

背景技术：

1、带式输送机是矿场最重要的物料运输设备，作为矿用带式输送机关键的支撑和旋转机构，托辊在连续高负荷的运转后容易发生机械故障。托辊发生故障后产生的皮带跑偏及皮带撕裂问题将直接影响矿用带式输送机的正常连续运输，而其故障引起的链式反应会对整个煤矿开采带来安全威胁。

2、长距离的运输、庞大数量的托辊以及恶劣的工况使得日常巡检和定期维护不仅浪费大量的人力和物力，而且增加已经严重退化部件超期服役的风险。因此，开展适用于矿用带式输送机托辊的非接触式声学信号测量、故障特征提取及声源定位研究，对于合理的安排检修活动，降低时间、人力及物力成本，确保矿用带式输送机运行的可靠性和安全性具有重要意义。

3、陈维望等在《基于分支卷积神经网络的托辊轴承故障分级诊断研究》中，构建了一种基于分支一维卷积神经网络的轴承故障分级诊断模型，对轴承的运行状态进行了全面估计，该模型仅对单一的轴承具有较好的评估效果。

4、yudejie等在《application of emd method and hilbert spectrum to thefault diagnosis of roller bearings》中，提出了一种基于经验模态分解(empiricalmode decomposition，emd)方法和自回归(autoregressive，ar)模型的滚动轴承故障特征提取方法，该方法对非线性信号进行emd分解，利用马氏距离准则函数实现轴承的状态和故障识别。

5、leiyaguo等在《eemd method and wnn for fault diagnosis of locomotiveroller bearings[j].expert systems with applications》中，提出了在轴承振动信号的预处理过程中，采用集合经验模态分解方法提取目标本征模态函数及其频谱和包络谱的时域和频域特征。

6、吴文臻等在《矿用带式输送机托辊音频故障诊断方法》中，提出了一种基于变分模态分解(variational modal decomposition，vmd)-bp神经网络的矿用带式输送机托辊音频故障诊断方法。该方法在有效分解、提取音频信息特征时，可避免分解过程中的频谱混叠与端点效应，提高故障诊断准确率。

7、除上述方法以外，基于传声器阵列的波束形成是一种先进的噪声源识别、定位以及空间声场可视化技术，在托辊故障检测领域意义重大。在利用声学信号分析法对滚动轴承进行故障诊断时，环境噪声或其它设备噪声会严重影响目标声信号的提取并降低诊断精度。

8、针对这一问题，顾佶智等在《强背景噪声下基于谱峭度-波束形成轴承故障特征提取》中，提出一种用于故障特征增强的谱峭度-波束形成方法，该方法首先利用快速谱峭度算法确定最优滤波频带，然后根据确定的频带，利用2阶锥规划方法设计恒定束宽波束形成器并提取目标频带信号，最后对提取的带限信号进行包络解调得到轴承故障特征频率。

9、马超等在《基于eemd的声阵列滚动轴承故障诊断》中，针对滚动轴承故障诊断中的类型和位置分析问题，提出了一种基于集合经验模态分解(eemd)的声阵列滚动轴承故障诊断分析方法。以eemd分解信号的峭度和能量作为评价指标，提取包含故障信息的imf分解信号，根据滚动轴承理论故障频率及其倍频分析对分解信号进行窄带滤波后通过hilbert包络谱实现故障类型判断，通过对窄带滤波后的分解信号使用声阵列技术进行声像分析实现滚动轴承故障定位分析。

10、同时，降低旁瓣、提高分辨率是声源定位及成像研究的重要内容，为此sijtsma在《based on spatial source coherence》中，利用声源图中旁瓣与主瓣相干的事实提出了一种基于空间声源相的扩展clean-sc算法。

11、褚志刚等在《clean-sc波束形成声源识别改进》中，在原有的clean-sc算法上进行改进，所给方法比传统clean-sc具有更高分辨率，使近距离低频率声源的准确识别变得可行。

12、李征初等在《clean-sc算法在风洞声源定位与识别中的应用研究》中，提出一种基于空间声源相干的波束成形反卷积技术，用迭代方法逐步地将声源图中与峰值声源空间相干的部分去掉，从而将旁瓣从实际被测的波束图中移除。

13、但是矿用带式输送机运行工况和声学环境复杂，故依旧存在干扰声源及传递路径耦合的噪声影响。

技术实现思路

1、为解决托辊轴承故障非接触声学测量问题，本发明提供一种托辊故障声学信号特征提取及定位方法，基于vmd及c-beamforming进行托辊故障声学信号特征提取及定位，充分利用vmd的子带分割能力提取声学信号中的故障特征信息，结合clean-sc对beamforming的旁瓣抑制效果，实现托辊轴承故障声源的特征提取及高分辨率定位。

2、为实现上述目的，本发明提供了一种托辊故障声学信号特征提取及定位方法，包括以下步骤：

3、s1、对麦克风阵列阵元参数化仿真及选型；

4、s2、利用麦克风阵列对托辊轴承故障音频信息进行采集和预处理；

5、s3、对各通道信号进行vmd分解，提取声学信号中的故障特征信息，实现不同信源分离，从而抑制传递路径的噪声干扰；

6、s4、选取包含托辊轴承故障循环冲击特征的最优子带；

7、s5、利用c-beamforming算法对vmd最优子带信号进行旁瓣抑制，进行声源成像及声源定位，以实现高分辨率声源定位。

8、优选的，在步骤s1中，对多通道麦克风阵列进行参数优化设计，得到适用于托辊轴承故障声源的最优阵元参数组合。

9、优选的，步骤s3具体包括以下步骤：

10、s31、构造变分：

11、假设原始信号f被分解为k个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，则相应约束变分表达式为：

12、

13、

14、式中，j为虚数，t表示时间，k为需要分解的模态个数，{ωk}、{uk}分别对应分解后第k个模态分量和中心频率，δ(t)为狄拉克函数，*为卷积运算符；

15、s32、求解式(1)，引入lagrange乘法算子λ，将约束变分问题转变为非约束变分问题，得到增广lagrange表达式为：

16、

17、式中，λ为乘法算子；α为二次惩罚因子，作用是降低高斯噪声的干扰；

18、s33、利用交替方向乘子迭代算法结合parseval plancherel、傅里叶等距变换，优化得到各模态分量和中心频率，并搜寻增广lagrange函数的鞍点，交替寻优迭代后的{ωk}、{uk}和λ的表达式如下

19、

20、

21、

22、式中，ω表示频率，γ为噪声容忍度，其满足信号分解的保真要求；n为迭代次数；和为分别对ui(t)、f(t)和λ(t)的傅里叶变换。

23、优选的，步骤s33中vmd迭代方法具体包括以下步骤：

24、s331、初始化λ1和最大迭代次数n,n←0；

25、s332、利用公式(3)和(4)更新ωk和

26、s333、利用公式(5)更新

27、s334、精度收敛判据ε>0，若不满足，且n＜n则返回步骤s332，否则完成迭代，输出最终的uk，ωk。

28、优选的，步骤s5具体包括以下步骤：

29、s51、通过波束成形技术获得声源图，即迭代过程从i＝0开始，定义递退互谱矩阵为：

30、

31、其中表示互谱矩阵从i开始，表示互谱矩阵从0开始；

32、s52、通过波束成形技术，扫描区域网格点ξj的声功率为：

33、

34、为消除麦克风自噪声的影响，加入加权向量j表示虚数，上标t表示共轭；

35、从而得到一张无序的声源图；

36、s53、从得到的声源图中寻找声源峰值的位置即在扫描点ξj处的声功率为最大值在声源图中减去位置处峰源的影响，即可得到一个清理图，即不受峰源影响的递退声功率为：

37、

38、式中，为由处的声源引发的互谱矩阵。

39、优选的，步骤s51所述的波束形成包括以下步骤：

40、s511、确定阵列各麦克风之间的互谱矩阵：

41、将麦克风采集到的时域数据信号进行分块，采用快速傅里叶变换转换为频域信号，得到麦克风的(m×m)互谱矩阵：

42、

43、式中，矩阵元素为：

44、

45、式中：k为阵列信号数据块数m表示阵列中麦克风的数目，表示第m个麦克风第k段数据块的频域信号，pnk表示第n个麦克风第k段数据块的频域信号。wx为频谱分析选取的数据窗函数因子，tb为带宽，上标t表示共轭；

46、s512、在声学实验中设一阵列扫描区域，其中任一扫描点处的声功率由a表示，设g为m维的引导向量，由扫描点处的一组点声源诱导的麦克风声压幅值所组成，gm为第m个麦克风的引导向量，为第n个麦克风引导向量共轭。若组合(m*n)是s的一个集，那么由下式的最小化得到声功率a：

47、

48、解式如下：

49、

50、s513、考虑一个位于xoy平面的m＝16阵元均匀圆环阵，假设kr＝2π，观察其常规时延求和波束响应；假设期望波束观察方向与信号方向都位于水平面上，即同时，假设波束观察方向为θ0＝0°，采用下式：

51、

52、其中z＝2krsin((θ-θo)/2)，β＝(θ0+θ)/2表示角度，jn(·)为一类n阶贝塞尔函数,l表示阵列距目标距离，jlm(z)表示关于z的lm阶贝塞尔函数，j0(z)表示关于z的0阶贝塞尔函数。

53、优选的，在步骤s513中，通过计算均匀圆环阵水平方向常规波响应，当m≥2时，上式中l最大取8，即可保证足够的计算精度；而当m≥8时，上式中l最大取2就能保证足够的计算精度。

54、本发明具有以下有益效果：

55、1、抗干扰：通过对原始信号进行变分模态分解(vmd)选取最优频带及中心频率，可以有效的降低噪声的干扰。

56、2、高分辨率：通过选取故障特征的最优中心频率，利用波束形成算法可以准确的定位到故障源，并利用clean-sc算法进行消除旁瓣达到高分辨率声源定位(clean-sc(clean based on source coherence)是一种事后声学图像校正的算法。该算法最大限度地减少了与数组相关的点扩散函数(psf)对先前计算的图像的影响，以便清楚地区分各种源，尤其是与psf相关的旁瓣的区分。该算法的基础是使用实际声源和旁瓣之间的空间相干性抑制旁瓣)。

57、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。